Fotovoltaik Sistemin Güç Üretiminin Meteorolojik Değişkenler ile Modellenmesi: Van Yüzüncü Yıl Üniversitesi Örneği

Yıl 2020, Cilt: 25 Sayı: 3, 135 - 146, 30.12.2020

Emre Biçek , H.eray Çelik

Öz

Fotovoltaik sistemlerin güç çıktısının doğru tahmin edilmesi, bu sistemlerin doğru planlanması ve gelecekteki yatırımların teşvik edilmesi açısından çok önemlidir. Fotovoltaik sitemlerin güç üretimi, sistemin kurulduğu konumdaki meteorolojik değişkenlerden etkilenmektedir. Türkiye bulunduğu konum itibarıyla güneş enerjisi potansiyeli bakımından avantajlı durumdadır. Türkiye’nin en fazla güneşlenme süresine sahip illerinden biri ise Van’dır. Bu çalışmada, Van Yüzüncü Yıl Üniversitesi’nde kurulu bulunan (17 kWp kapasiteli) fotovoltaik sistemin enerji üretimine meteorolojik değişkenlerin etkisi analiz edilmiştir. Analizde 2015-2018 yılları arasında üretilen enerji ve aynı zaman dilimine ait meteorolojik değişkenler kullanılmıştır. Bu kapsamda çoklu doğrusal regresyon analizi kullanılarak bir istatistiksel model çıkarımı yapılmıştır. Çalışma sonucunda ÜG değişkeninin SGŞ üzerinde en yüksek pozitif etkiye sahip olduğu görülmüştür. Ayrıca SNN, SRH, SS ve SB değişkenlerinin ÜG üzerinde istatistiksel olarak anlamlı bir etkiye sahip olduğu da saptanmıştır. Durağanlık varsayımı sağlandıktan sonra elde edilen modelin R2’si 0.445 olarak hesaplanmıştır.

Anahtar Kelimeler

Fotovoltaik enerji, Korelasyon analizi, Regresyon analizi

Modeling the Power Generation of the Photovoltaic System with Meteorological Variables: The Case of Van Yüzüncü Yıl University

Öz

Estimating the power output of photovoltaic systems is very important in terms of planning these systems correctly and encouraging future investments. The power generation of photovoltaic systems is affected by the meteorological variables at the location where the system is installed. Turkey has the potential for solar energy as a location. Located in the eastern part of Turkey, Van is one of the provinces with the most sunshine hours. In this article, the effect of meteorological variables on the energy production of the Solar Photovoltaic system which is located in Van Yüzüncü Yıl University Campus (with a capacity of 17 kWp) was analyzed. In the analysis, the power generation data of the system and the meteorological variables were used between 2015 and 2018. A statistical model was extracted using the multiple linear regression analysis. As a result of the study, it was seen that the UG variable had the highest positive effect on SGS. It was also found that the variables SNN, SRH, SS and SB had a statistically significant effect on the UG. After providing the stationary assumption for the UG variable, the R2 of the model was calculated as 0.445.

Kaynakça

• Adak, S., Cangi, H., & Yılmaz A. S. (2019). Fotovoltaik Sistemin Çıkış Gücünün Sıcaklık ve Işımaya Bağlı Matematiksel Modellemesi ve Simülasyonu. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 11(1), 316-327.
• Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez-de-Pison, F. J., & Antonanzas-Torres, F. (2016). Review of photovoltaic power forecasting. Solar Energy, 136, 78-111. doi:10.1016/j.solener.2016.06.069
• Arslan, G., Bayhan, B., & Yaman, K. (2019). Mersin/Türkiye için ölçülen global güneş ışınımının yapay sinir ağları ile tahmin edilmesi ve yaygın ışınım modelleri ile karşılaştırılması. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(1), 80-96. doi:10.29109/gujsc.419473
• Ayan, İ., & Mehtap, S. (2018). Fotovoltaik sistemin yapay zeka algoritmasi ile güç tahmini. Yüksek Lisans Tezi, Kırklareli Üniversitesi, Fen Bilimleri Enstitüsü Kırklareli, Türkiye. Baumohl, E., & Lyocsa, S. (2009). Stationarity of time series and the problem of spurious regression. Available at SSRN 1480682.
• Benghanem, M., & Joraid, A. A. (2007). A multiple correlation between different solar parameters in Medina, Saudi Arabia. Renewable Energy, 32(14), 2424-2435. doi:10.1016/j.re nene.2006.12.017
• Bhattacharya, T., Chakraborty, A. K., & Pal, K. (2014). Effects of ambient temperature and wind speed on performance of monocrystalline solar photovoltaic module in Tripura, India. Journal of Solar Energy 2014, ID:817078
• Chang, K., Siddiqui, A., & Slater, R. (2019). Forecasting localized weather-based photovoltaic energy production. SMU Data Science Review, 2(2), 2. https://scholar.smu.edu/datasciencereview/vol2/iss2/2 Erişim tarihi: 03.01.2020.
• Chrobak, P., Skovajsa, J., & Zalesak, M. (2016). Effect of cloudiness on the production of electricity by photovoltaic panels. In MATEC Web of Conferences (Vol. 76, p. 02010). EDP Sciences.
• DAKA (2008). Güneş enerjisi sektör raporu, https://www.daka.org.tr/panel/files/files/yayinlar/ gunes_sektorel.pdf Erişim tarihi: 22.12.2019.
• De Giorgi, M. G., Congedo, P. M., & Malvoni, M. (2014). Photovoltaic power forecasting using statistical methods: impact of weather data. IET Science, Measurement & Technology, 8(3), 90-97. doi:10.1049/iet-smt.2013.0135
• Deniz, E., & Atik, K. (2007). Güneş ışınım şiddeti tahminlerinde yapay sinir ağları ve regresyon analiz yöntemleri kullanımının incelenmesi. Isı Bilimi ve Tekniği Dergisi, 27(2), 15-20.
• Durbin J. & Watson G. S. (1950). Testing for Serial Correlation in Least-Squares Regression: I. Biometrika, 37(3/4), 159–171.
• GEPA (2020). Güneş enerjisi potansiyel atlası, http://www.yegm.gov.tr/MyCalculator/ Erişim tarihi: 20.12.2019.
• Granger, C.W. & Newbold, P. (1974). Spurious Regressions in Econometrics. In: Journal of Econometrics, 1974, vol. 2, no. 2, p. 111 – 120. ISSN 0304-4076
• Gujarati, D. N., & Porter, D. (2009). Basic Econometrics. Mc Graw-Hill International Edition.
• Gujarati, D. N. (1995). Basic Econometrics, 3rd Ed. McGraw-Hill, New York
• Günel, A. (2004). Regresyon denkleminin başarısını ölçmede kullanılan belirleme katsayısı ve kritiği. Doğus Üniversitesi Dergisi, 4(2), 133-140.
• Hamrouni, N., Jraidi, M., & Chérif, A. (2008). Solar radiation and ambient temperature effects on the performances of a PV pumping system. Revue des Energies Renouvelables, 11(1), 95-106.
• Hiyama, T., & Kitabayashi, K. (1997). Neural network based estimation of maximum power generation from PV module using environmental information. IEEE Transactions on Energy Conversion, 12(3), 241-247. doi:10.1109/60.629709
• Jarque, C. M. & Bera, A. K. (1987). A Test for Normality of Observations and Regression Residuals. International Statistical Review, (55), 163–172.
• Kara, A. (2019). Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(4), 882-892.
• Nasrin, R., Hasanuzzaman, M., & Rahim, N. A. (2018). Effect of high irradiation on photovoltaic power and energy. International Journal of Energy Research, 42(3), 1115-1131.
• Panjwani, M. K., & Narejo, G. B. (2014). Effect of humidity on the efficiency of solar cell (photovoltaic). International Journal of Engineering Research and General Science, 2(4), 499-503.
• Qing, X., & Niu, Y. (2018). Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM. Energy, (148), 461-468. doi:10.1016/j.energy.2018.01.177
• Ramenah, H., Casin, P., Ba, M., Benne, M., & Tanougast, C. (2018). Accurate determination of parameters relationship for photovoltaic power output by augmented dickey fuller test and engle granger method. AIMS Energy, 6(1), 19-48.
• Razak, A., Irwan, Y. M., Leow, W. Z., Irwanto, M., Safwati, I., & Zhafarina, M. (2016). Investigation of the effect temperature on photovoltaic (PV) panel output performance. International Journal on Advanced Science, Engineering and Information Technology, 6(5), 682-688.
• REN21 (2019). Renewables 2019 Global Status Report, Paris, REN21 Secretariat.
• Taşçıoğlu, A. (2015). Monokristal ve polikristal güneş panellerinin bursa koşullarındaki güç performansı üzerine bir araştırma. Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü Bursa, Türkiye.
• Wang, K., Qi, X., & Liu, H. (2019). A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network. Applied Energy, 251, 113315. doi:10.1016/j.apenergy.2019.113315